一次性付费进群，长期免费索取教程，没有付费教程。

进微信群回复公众号：微信群；QQ群：460500587

 教程列表 见微信公众号底部菜单 |  本文底部有推荐书籍 

微信公众号：计算机与网络安全

ID：Computer-network

Pyspider爬虫框架是一个由国人设计开发的Python爬虫框架。与其他爬虫框架不同的是Pyspider不需要任何编辑器或者IDE的支持。它直接在Web界面，以浏览器来编写调试程序脚本。在浏览器上运行、起停、监控执行状态、查看活动历史、获取结果。Pyspider支持MySQL(MariaDB)、MongoDB、SQLite等主流数据库，支持对JavaScript的页面抓取(也是靠的PhantomJS的支持)，重要的是它还支持分布式爬虫的部署，是一款功能非常强大的爬虫框架。Pyspider上手比较简单，但想深入了解也是要花点工夫的。基于Pyspider纯正的Python血统，安装Pyspider最简单的方法是用pip。如果需要最新版本的Pyspider可以到官网下载最新版本安装，或者用git来安装。1、Windows下安装Pyspider在Windows中安装Pyspider采用比较简单的pip安装，进入桌面后，单击左下角的开始按钮，在弹出菜单中单击“运行”，打开cmd.exe，执行命令：pip install pyspider一定要先配置好pip的源，否则安装会慢得令人难以接受。执行结果如图1所示。

图1  pip安装PyspiderPyspider已经安装完毕了。这里要注意的是，Pyspider默认是需要PhantomJS支持的。如果没有安装PhantomJS，那么在运行过程中可能会出现警告信息。Pyspider对Windows的支持不是非常好。如果条件允许，尽量避免在Windows下使用Pyspider框架。官方网站也对此做了说明。2、Linux下安装Pyspider在Linux下安装Pyspider可能会出现依赖性的问题。这里采用最安全的方法，使用Anaconda创建虚拟环境Python 3后，在虚拟环境下安装Pyspider，这样可以完美地解决依赖性的问题。执行命令：sucd /usr/local/git clone https://github.com/binux/pyspider.getlscd pyspiderpython setup.py install执行结果如图2所示。

图2  git安装PyspiderPyspider已经安装完毕。测试一下，执行命令：exitcdpyspider all执行结果如图3所示。

图3  启动Pyspider如果没有安装PhantomJS，需要先安装PhantomJS。这个接口(Pyspider控制台)既可以本地访问，也可以远程访问。在浏览器中打开网址http://127.0.0.1:5000(或者在远程主机上打开http://IP:5000)，如图4所示。

图4  Pyspider WebUI现在可以正常使用Pyspider了。3、选择器pyquery测试在Pyspider爬虫中继续使用CSS和XPath也是可以的。但Pyspider框架自备了pyquery选择器(在安装Pyspider时pyquery会自动安装)，并在框架中为pyquery准备了提示接口。pyquery选择器与CSS和XPath一样强大，同样支持嵌套定位。在Pyspider框架中不妨试用一下pyquery，至于最终选择哪一个选择器，视个人习惯而定。pyquery选择器不仅仅可以选择过滤有效信息，还可以修改原文中的标签属性，但在爬虫中只需要选择过滤这一功能就足够了。pyquery选择定位非常简单，最常用的是通过标签配合标签属性和属性值定位(一般来说通过标签定位就足够了)，偶尔也有直接通过标签属性或者标签属性值定位的。写一个简单的网页song.html做测试，song.html的代码如下：

1

2     song

3

4

Adele Music

5

6         Someone like you

7         Hello

8         Rolling in the deep

9         Set fire to the rain

10

11

12

在浏览器中打开该页面并显示源代码，如图5所示。

图5  示例文件song.htmlpyquery中的定位与CSS有些类似，使用pyquery初始化对象后，直接在对象内对标签名进行定位(正常主流的定位方法)。如果只需要标签内的文字，使用pyquery定位后使用text()函数解析出来即可，在示例文件的当前目录下打开终端(或者打开终端后再进入示例文件的当前目录)，进入python，执行命令：from pyquery import PyQuerydoc=PyQuery(filename='song.html')print docprint doc('title').text()print doc('h1').text()print doc('li[album="25"]').text()执行结果如图6所示。

图6  pyquery定位后获取正文有时爬虫所需的信息是隐藏在标签属性值中的，这时就需要attr函数了，继续在终端中执行命令：print doc('h1').attr.idprint doc('li[album="21"]').attr.albumsubTags=doc('li[album="21"]').items()for subTag in subTags:print subTag.attr.album执行结果如图7所示。

图7  pyquery定位后获取属性值在定位时如果有多个标签符合条件，默认情况下只会选取第一个符合条件的标签。对于爬虫而言，掌握了定位、获取正文和获取属性值基本就足够用了。虽然pyquery还有很大的潜力可挖，但对网络爬虫没有什么意义。如需继续深究，请参考pyquery的官网或者Wiki。

微信公众号：计算机与网络安全

ID：Computer-network

【推荐书籍】